[논문 리뷰] Autonomous Laboratory Agent via Customized Domain-Specific Language Model and Modular AI Interface

Zhuo Diao, Kouma Matsumoto외 3명|arXiv (Cornell University)|2026. 02. 24.

Machine Learning in Materials Science인용 수 0

한 줄 요약

논문은 제약 조건 인식 실행을 갖춘 실시간 나노스케일 계측기에 설정된 환경에서 고수준의 과학적 의도를 검증 가능한 실험 행동으로 번역하며, 소비자 GPU에서 모듈식 AI 인터페이스를 통해 자율적으로 스캐닝 프로브 현미경(SPM)을 조정한다.

ABSTRACT

We introduce a system architecture that addresses a fundamental challenge in deploying language-model agents for autonomous control of scientific instrumentation: ensuring reliability in safety-critical environments. The framework integrates probabilistic reasoning by domain-specialized language models with deterministic execution layers that enforce constraints through structured validation and modular orchestration. By separating intent interpretation, experimental planning, and command verification, the architecture translates high-level scientific goals into verifiable experimental actions. We demonstrate this approach in real-time atomic-resolution scanning probe microscopy experiments operated at room temperature, where the system autonomously generates control strategies, invokes corrective modules, and maintains stable operation under experimentally challenging conditions. Quantitative evaluations show that domain-adapted small language models achieve high routing robustness and command accuracy while operating on consumer-grade hardware. Beyond a specific instrument, the framework establishes a general computational principle for deploying language-model agents in safety-critical experimental workflows, providing a pathway toward scalable autonomous laboratories.

연구 동기 및 목표

• 현실적인 나노스케일 기기 환경에서 안전을 보장하면서 고수준의 과학적 의도를 검증 가능한 실험 행동으로 번역한다.
• 도메인 적응 소형 언어 모델을 사용하여 상온에서의 스캐닝 프로브 현미경(SPM)의 자율 제어를 시연한다.
• 하드웨어 제약하에서 도메인 특화 LLM과 클라우드 기반 모델의 신뢰성, 라우팅 강인성, 명령 정확도를 평가한다.
• 제약 조건 검증이 포함된 모듈식 AI 인터페이스가 실험 절차의 안전한 실행을 가능하게 함을 보인다.

제안 방법

• SPM 관련 데이터에 대해 컴팩트한 도메인 특화 언어 모델을 미세 조정하여 로컬 제어를 가능하게 한다.
• 효율적인 메모리 사용을 위한 동적 어댑터 주입 스킴과 함께 Knowledge-base SLM, Command SLM, Router SLM의 세 가지 SLM 아키텍처를 구현한다.
• 사용자 입력을 적절한 SLM으로 라우팅하고 Text Parser를 통해 출력물을 기기 실행 명령으로 변환한다.
• 무효하거나 사양을 벗어난 지시의 실행을 방지하기 위한 제약 조건 인식 검증을 시행한다.
• 실시간이고 안전한 자율 작동을 가능하게 하기 위해 AI 모듈들과 기기 API를 조정하는 모듈식 AI 인터페이스를 사용한다.

실험 결과

연구 질문

• RQ1 도메인 적응 소형 언어 모델이 SPM 실험에서 높은 라우팅 강인성과 명령 정확도를 달성할 수 있는가?
• RQ2 제약 조건 검증이 포함된 모듈형 AI 인터페이스가 소비자 하드웨어에서 실시간 과학 기기의 신뢰할 수 있는 자율 제어를 가능하게 하는가?
• RQ3 Stage I의 직접 명령 실행이 Stage II의 자율 계획 수립과 고수준 사용자 의도를 처리하는 데 어떻게 비교되는가?
• RQ4 실험 워크플로우에서 LLM 기반 제어의 주요 실패 모드는 무엇이며, 미세 조정이 이를 어떻게 완화할 수 있는가?

주요 결과

• 도메인 적응 SLM은 지식 기반과 명령 작업 전반에서 높은 라우팅 정확도를 달성한다.
• 양자화 및 미세 조정된 Phi-4, Mistral-v0.3, 및 Llama-3.2 모델은 견고한 라우팅 및 계획 성능을 보여주며, Phi-4가 종종 가장 우수하다.
• 미세 조정된 SLM은 지식 기반 작업에서 클라우드 모델에 근접한 성능을 제공하고 Stage II에서 명령 생성 성능이 OpenAI o4-mini 대비 우수하다.
• 4비트 양자화는 GPU 메모리 사용량을 약 3배 감소시켜 소비자 GPU에서의 배치를 가능하게 하며 인터랙티브 속도(>30 토큰/초)를 유지한다.
• Stage II 자율 계획은 시스템이 드리프트 보상 및 팁 컨디셔닝과 같은 다단계 실험 계획을 수립하고 실행해 상온에서 원자 해상도 이미징을 달성할 수 있음을 보여준다.
• 이 아키텍처는 확률적 추론과 결정론적 실행을 분리하여 안전한 실시간 기기 제어를 가능하게 한다.